Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Profª Fernanda Maria de Almeida – CCO 350 UNIVERSIDADE FEDERAL DE VIÇOSA DEPARTAMENTO DE ADMINISTRAÇÃO E CONTABILIDADE CCO 350 – MÉTODOS QUANTITATIVOS EM ADMINISTRAÇÃO E CONTABILIDADE Profª Fernanda Maria de Almeida Aula prática II – 2017/II: “Modelos de Regressão Linear Simples e Múltipla (MRLS e MRLM)” 1. Regressão Simples Exemplo: análise dos efeitos da educação (anos de estudo) sobre os salários (R$) dos brasileiros. iii ueducacaosalario 10 sendo ut o termo de erro. Antes de estimar o modelo, pode-se desejar avaliar a correlação e a dispersão entre salário e educação: Matriz de correlações: Comando: corr salario educacao educacao 0.4059 1.0000 salario 1.0000 salario educacao Diagrama de Dispersão: twoway (scatter salario educacao) 0 50 00 10 00 0 15 00 0 20 00 0 25 00 0 S A LA R IO 0 5 10 15 20 EDUCACAO 2 Profª Fernanda Maria de Almeida – CCO 350 No Stata, após inserir os dados, estima-se o modelo pelo comando reg salario educacao: _cons -904.8517 684.9678 -1.32 0.187 -2250.472 440.7687 educacao 541.3593 53.24804 10.17 0.000 436.7534 645.9651 salario Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 7.1604e+09 525 13638884.4 Root MSE = 3378.4 Adj R-squared = 0.1632 Residual 5.9807e+09 524 11413515.8 R-squared = 0.1648 Model 1.1797e+09 1 1.1797e+09 Prob > F = 0.0000 F(1, 524) = 103.36 Source SS df MS Number of obs = 526 Para encontrar os resíduos estimados, utiliza-se o comando predict residuo, r: Para visualizar os resíduos: list resíduo 14. -91.45943 13. 3178.541 12. 1997.181 11. -1506.896 10. 9881.744 9. -1991.459 8. -591.4594 7. 2410.385 6. 993.1035 5. -291.4594 4. 2573.978 3. -2050.1 2. -2351.459 1. -1950.1 residuo Obs: Aqui se tem os resíduos das 14 primeiras observações, mas no programa estão todos os 526. Para encontrar os valores estimados do salario, utiliza-se o comando predict ychapeu, xb: 14. 5591.459 13. 5591.459 12. 6132.819 11. 7756.896 10. 8298.256 9. 5591.459 8. 5591.459 7. 8839.615 6. 7756.896 5. 5591.459 4. 3426.022 3. 5050.1 2. 5591.459 1. 5050.1 ychapeu . list ychapeu . predict ychapeu, xb 2. Regressão Múltipla Um modelo de regressão é chamado modelo de regressão múltipla quando se tem mais de uma variável explicativa. Por exemplo, é possível se estudar os efeitos da educação e da experiência sobre os salários dos brasileiros, entretanto, há diversas outras variáveis que possivelmente afetam esses salários (gênero, raça, etc.). 3 Profª Fernanda Maria de Almeida – CCO 350 Nesse sentido, seja o salário (salarioi), de cada uma das 526 pessoas (i) de uma amostra da população brasileira, como função do número de anos de estudo (educacaoi) e da experiência em anos (experienciai). Assim: iiii uaexperiencieducacaosalario 210 , (1) sendo ui o termo de erro. No Stata, após inserir os dados, estima-se o modelo pelo comando reg salario educacao experiencia: _cons -3390.54 766.5661 -4.42 0.000 -4896.466 -1884.613 experiencia 70.0954 10.97764 6.39 0.000 48.52972 91.66107 educacao 644.2721 53.80607 11.97 0.000 538.5695 749.9747 salario Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 7.1604e+09 525 13638884.4 Root MSE = 3257 Adj R-squared = 0.2222 Residual 5.5482e+09 523 10608336.1 R-squared = 0.2252 Model 1.6123e+09 2 806127261 Prob > F = 0.0000 F(2, 523) = 75.99 Source SS df MS Number of obs = 526 2. Variáveis dummies Ainda considerando o exemplo anterior (equação (1)), supõe-se que seja importante saber se o gênero afeta os salários médios dos brasileiros. Para tanto, a proposição é o uso de um MRLM com variáveis dummies na forma aditiva. iiiii ugeneroeducacaosalario 3210 aexperienci, (3) A variável generoi trata-se de uma dummy, que possui valor 1 caso a pessoa i seja do sexo feminino e 0 para masculino. _cons -1734.481 753.6203 -2.30 0.022 -3214.982 -253.9798 genero -2155.517 270.3055 -7.97 0.000 -2686.537 -1624.497 experiencia 64.24172 10.40033 6.18 0.000 43.81008 84.67336 educacao 602.5802 51.11738 11.79 0.000 502.1591 703.0012 salario Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 7.1604e+09 525 13638884.4 Root MSE = 3078.1 Adj R-squared = 0.3053 Residual 4.9457e+09 522 9474467.89 R-squared = 0.3093 Model 2.2147e+09 3 738247358 Prob > F = 0.0000 F(3, 522) = 77.92 Source SS df MS Number of obs = 526 4 Profª Fernanda Maria de Almeida – CCO 350 Será que o fato de o indivíduo ser do sexo feminino altera os efeitos da educação sobre o salário? E da experiência? Para responder a esses questionamentos, a proposição é a estimação de MRLM com variáveis dummies na forma multiplicativa. No caso da primeira pergunta: iiiii uacaogeneroeducaexperiencieducacaosalario 3210 (3) Para criar a variável multiplicativa generoeducação: gen generoeducacao = genero*educacao _cons -2620.269 730.1383 -3.59 0.000 -4054.639 -1185.898 generoeducacao -169.6616 21.10975 -8.04 0.000 -211.1321 -128.1911 experiencia 65.06158 10.38441 6.27 0.000 44.66122 85.46195 educacao 669.4726 50.90241 13.15 0.000 569.4738 769.4713salario Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 7.1604e+09 525 13638884.4 Root MSE = 3075.4 Adj R-squared = 0.3065 Residual 4.9372e+09 522 9458240.78 R-squared = 0.3105 Model 2.2232e+09 3 741070875 Prob > F = 0.0000 F(3, 522) = 78.35 Source SS df MS Number of obs = 526 . reg salario educacao experiencia generoeducacao 3. Suposições Básicas de validação dos modelos de regressão ✓ Independência dos erros ou ausência de autocorrelação; ✓ Homocedasticidade; ✓ Normalidade dos resíduos; ✓ Ausência de multicolinearidade.
Compartilhar